融合Swin Transformer的热轧带钢表面缺陷检测方法OA
针对现有检测方法对带钢生产表面小目标缺陷的检测精确度低、漏检率高的问题,论文结合YOLOv5与Swin Transformer提出了一种改进的目标检测算法SwinT-YOLOv5s(Swin Transformer-YOLOv5s)。设计在YOLOv5s的主干网络中融入Swin Transformer自注意力机制,通过层次化结构解决浅层网络对全局语义信息提取不充分的问题;其次将颈部网络中的特征金字塔结构改进为加权双向特征金字塔结构(BiFPN),利用跨尺度连接和加权特征融合提高模型对不同层次特征信息的融合能力。在特征金字塔结构后端设计嵌入自适应空间特征融合模块(ASFF),最大化保留重要特征信息,提高模型的鲁棒性;最后改进YOLOv5s的损失函数,采用EIoU-Loss对训练模型进行优化。实验结果证明,改进后的模型在NEU-DET数据集上的平均检测精度(mAP)达到了87.4%,与原基线模型相比提高了14.1%,更加适用于带钢表面缺陷的检测。
咸静;张卫锋;宋丽荣;李念冲
青岛科技大学机电工程学院,青岛266000青岛科技大学机电工程学院,青岛266000青岛科技大学机电工程学院,青岛266000青特集团,青岛266000
信息技术与安全科学
缺陷检测Swin TransformerYOLOv5s自适应空间特征融合加权双向特征金字塔网络
《计算机与数字工程》 2026 (5)
P.1482-1489,8
国家自然科学基金面上项目(编号:52173101)山东省重点研发计划项目(编号:2019JMRH00205)资助。
评论